基于稀疏车联网的交通状态估计空间-时间注意力模型
机器学习
2024-07-16 v2 人工智能
摘要
联网车辆的数量不断增长，为利用车联网 (IoV) 数据进行交通状态估计 (TSE) 提供了机会，而 TSE 在智能交通系统 (ITS) 中发挥着关键作用。仅使用部分 IoV 数据而非完整数据集，可避免大量数据收集和处理的显著开销。本文提出了一种新框架，利用稀疏 IoV 数据实现成本效益高的 TSE。具体而言，我们提出了一种新的空间-时间注意力模型，称为卷积保持网络 (CRNet)，以提高 TSE 准确性，通过挖掘空间-时间交通状态相关性。该模型采用卷积神经网络 (CNN) 进行空间相关性聚合，并基于注意力机制的保持网络 (RetNet) 用于提取时间相关性。在真实世界的 IoV 数据集上进行大量仿真实验，验证了所提出 TSE 方法在稀疏 IoV 数据下实现高精度 TSE 的优势，展示了其在实际应用中的经济效益和可行性。
引用
@article{arxiv.2407.08047,
title = {Spatial-Temporal Attention Model for Traffic State Estimation with Sparse Internet of Vehicles},
author = {Jianzhe Xue and Dongcheng Yuan and Yu Sun and Tianqi Zhang and Wenchao Xu and Haibo Zhou and Xuemin and Shen},
journal= {arXiv preprint arXiv:2407.08047},
year = {2024}
}
备注
need further improvement